人在回路的深度强化学习算法及其在自动驾驶智能决策中的应用

由于机器学习智力和能力有限,它目前仍无法处理各种情况,因此不能在现实应用中完全取代人类。因为人类在复杂场景中表现出稳健性和适应性,所以将人类引入人工智能(AI)的训练循环并利用人类智慧进一步提升机器学习算法变得至关重要。本研究开发了一种基于实时人工指导(Hug)的深度强化学习(DRL)方法,用于端到端自动驾驶案例中的策略训练。通过新设计的人类与自动化之间的控制转移机制,人类能够在模型训练过程中实时干预和纠正智能体的不合理行为。基于这种人机回环的指导机制,本研究开发一种基于修正策略和价值网络的改良的动作-评价架构(actor-critic architecture)。所提出的Hug-DRL的快速收敛允许实时的人工指导行为融合到智能体的训练循环中,进一步提高了DRL的效率和性能。本研究通过40名受试者的人机回环实验对开发的方法进行了验证,并与其他最先进的学习方法进行了比较。结果表明,该方法可以在人工指导下有效地提高DRL算法的训练效率和性能,且对参与者的专业知识或经验没有硬性要求。

Multiple learning neural network algorithm for parameter estimation of proton exchange membrane fuel cell models

Extracting the unknown parameters of proton exchange membrane fuel cell(PEMFC)models accurately is vital to design,control,and simulate the actual PEMFC.In order to extract the unknown parameters of PEMFC models precisely,this work presents an improved version of neural network algorithm(NNA),namely the multiple learning neural network algorithm(MLNNA).In MLNNA,six learning strategies are designed based on the created local elite archive and global elite archive to balance exploration and exploitation of MLNNA.To evaluate the performance of MLNNA,MLNNA is first employed to solve the well-known CEC 2015 test suite.Experimental results demonstrate that MLNNA outperforms NNA on most test functions.Then,MLNNA is used to extract the parameters of two PEMFC models including the BCS 500 W PEMFC model and the NedStack SP6 PEMFC model.Experimental results support the superiority of MLNNA in the parameter estimation of PEMFC models by comparing it with 10 powerful optimization algorithms.